統一された深層学習フレームワークは、干渉除去と堅牢なソフト復調を同時に行うことで、OFDMシステムにおける狭帯域干渉（NBI）に対処する。このアプローチは、従来の圧縮センシング手法に代わり、パラメータ推定と除去のためのNBI-CNet、および残差のキャリブレーションのためのLLR-CNetという2つの専門化されたネットワークを採用している。

  • NBI-CNetは物理情報畳み込みアーキテクチャを使用し、干渉体の数に関する事前知識なしに単一順伝播でマルチトーン干渉を除去する。
  • N=2048およびQ=64の構成において、EOMP-IDSアルゴリズムと比較して計算複雑度を最大60%削減する。
  • LLR-CNetは構造的ホワイトナーとして機能し、非ガウス分布の除去後残差を適切にキャリブレーションされたソフト指標にマッピングし、信頼性の高い対数尤度比を保証する。
  • シミュレーションにより、本フレームワークが密集グリッド全体で従来のベースラインに固有のエラーフロアを排除することが示された。
  • 深刻な干渉環境（SIR=-10 dB）において、パイプラインはブロック誤り率10^-4で最適反復ベースラインに対して0.2〜0.5 dBのSNRマージン内で動作する。
  • 重度のスペクトル重なりを伴う軽度の干渉（SIR=10 dB）条件下では、NBI-CNetは信号ピークの混同を回避し、3 dBを超える符号化利得を提供する。

本アーキテクチャは、干渉体推定誤差によって引き起こされるエラーフロアを回避し、スケール不変設計により再学習なしで任意のFFTサイズにわたって堅牢な汎化を可能にする。